上海话 ASR 本地部署实战：基于 sherpa-onnx 和 Conformer 的离线识别
近年来，Qwen3-ASR、Whisper、SenseVoice 等通用语音识别模型已经支持越来越多的语言和方言。但在上海话、苏州话等吴语场景中，通用模型的实际表现仍然可能受到训练数据分布、方言口语习惯以及文本标注规范的影响。
小米 CocktailASR 带来的启示：ASR 技术正在发生什么变化？
过去几年，自动语音识别（ASR）的进步相当明显。从早期基于声学模型与语言模型的组合架构，到 Whisper、Paraformer、Qwen3-ASR 等深度学习模型，语音转文字已经逐渐成为智能终端、办公软件和行业应用中的基础能力。
不用懂剪辑、不用写分镜，一套 Skill 搞定整条商业广告成片
记得之前我用AI做一分钟短片：在这个工具生完图，又要在那个工具抽卡生视频，配音还要再换一个地方。终于抽出能用的素材了，还得单独导进剪辑软件拼素材，导字幕。如果有镜头衔接不上又得重抽，感觉哪怕是熟练创作者，打磨完成片也需要一两个小时。但是今天我看到LibTV Agent正式上线了！
小米开源工业级目标说话人语音识别大模型Xiaomi-CocktailASR-1
IT之家 9 月 11 日消息，小米技术今日发文宣布，小米正式发布并开源工业级目标说话人语音识别大模型 Xiaomi-CocktailASR-1。
翻译界的ChatGPT时刻，Meta发布新模型，几段示例学会冷门新语言
在7000多种人类语言中，只有少数被现代语音技术听见，如今这种不平等或将被打破。Meta发布的Omnilingual ASR系统能识别1600多种语言，并可通过少量示例快速学会新语言。以开源与社区共创为核心，这项技术让每一种声音都有机会登上AI的舞台。
AI日报：GitHub炸了！Claude Code周边工具爆发，AI编程生态巨变
Veo 3.1 Lite继续打价格战，视频生成成本又砍半了，这个趋势挺有意思。GitHub上倒是热闹，Claude Code周边工具集体爆发，官方和社区都在往这个生态里填东西。
阿里通义百聆推出新版语音模型：3秒录音“复制”9种语言18种方言
IT之家 12 月 15 日消息，今天下午，通义大模型通过官方公众号宣布，两款“百聆”语音模型正式开源，两款模型迎来升级。根据介绍，其只需 3 秒录音，就能让你的声音无缝切换语种、方言与情绪—— 普通话、粤语、日、英、开心、愤怒……9 种通用语言、18 种方言，通通搞定。
别再让「嗯、那个、然后」毁掉你的表达:Github开源+本地安装教程
表达训练语音识别开源安装教程别再让「嗯、那个、然后」毁掉你的表达：开源表达训练系统全解析 + 本地安装教程实时语音转文字 + 27000 词情感词库 + AI 表达分析报告，全程离线运行最近刷到一条抖音：博主对着麦克风说了一段话，屏幕上实时把「嗯、啊、那个、然后」这些口头禅标红，
大模型时代的ASR就是不一样！豆包听力水平现场评测，直接拿捏！
机器之心发布机器之心编辑部2024 火山引擎 AI 创新巡展上海站于近日举办，活动展示了豆包大模型在综合评分、语音识别等方面的效果提升，还发布了对话式 AI 实时交互解决方案。豆包大模型团队成果 Seed-ASR ，提供了语音识别能力支持。